人脸识别作为最近几十年里最热门的人工智能技术,已经发展的比较成熟。在生活中几乎无处不在,在各个方面都有广泛的应用。但是,它也存在着许多不足的地方,二维人脸识别的效果会受到环境因素以及人脸本身等多种综合因素的影响,而三维人脸识别技术受到环境影响较小并且对于人脸信息有更好的识别,比二维人脸识别更有优势。因此本文研究了基于单幅样本三维化的人脸识别方法,提出了改进DECA的三维人脸重建与改进ResNet50网络的人脸识别方法。对于人脸重建,基于模型的三维人脸重建一直都是人脸重建的主流方法。这种方法需要以三维人脸数据库作为基础,不仅效率低,而且也不实用。对于此本文提出一种基于改进后的详细的表情捕捉和动画三维人脸重建,它可以从单幅图像里生成准确的人脸三维模型,包括脸部的表情、形状以及详细的面部几何形状。该方法可以精确的从单幅二维图像中重建出细腻的三维模型,具有速度快、效果好且不用三维人脸数据库作为依赖的优势。然后是将常用的人脸识别损失函数进行改进,针对于A-softmax损失函数所存在的一些分类能力有限、样本划分能力不足的问题,在A-softmaxloss的基础上进行改进,加入一个间隔m（margin）来增加损失函数的分类能力。最后设计一种基于深度学习的三维人脸识别网络,基于深度学习的优势再结合残差块网络,最后加上上述所改进的损失函数设计出一套完整的三维人脸识别网络。通过设置残差块的参数与个数可以更好的提取特征,减少计算量。最后的实验结果显示,重建后的三维人脸模型效果更好,本文所改进的该网络识别准确率比未改进之前提高了 5%,识别所用时间减少,符合实验要求。